本發(fā)明涉及醫(yī)學(xué)圖像處理，具體涉及一種基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法。

背景技術(shù)：

1、錐形束計(jì)算機(jī)斷層掃描(cbct)是一種重要的影像技術(shù)，廣泛應(yīng)用于放射治療、口腔科、骨科等醫(yī)療領(lǐng)域。cbct通過將成像系統(tǒng)中的旋轉(zhuǎn)環(huán)繞裝置替換為一個(gè)旋轉(zhuǎn)的錐形束束流，能夠提供高分辨率的三維成像。相較于傳統(tǒng)計(jì)算機(jī)斷層掃描(ct)，cbct具有輻射劑量低，臨床應(yīng)用更加安全可行的優(yōu)點(diǎn)。然而由于探測器自身的特性以及患者不同的組織結(jié)構(gòu)會(huì)影響射線散射和光子饑餓帶來的圖像質(zhì)量下降問題，并且加上低成像劑量特性，導(dǎo)致軟組織對(duì)比度降低，使得重建cbct圖像中引入了噪聲，在重建的cbct圖像中可以觀察到明顯的偽影。如果能夠去除cbct偽影，提升圖像質(zhì)量，將極大地提高醫(yī)學(xué)影像的準(zhǔn)確性和診斷的可靠性，有助于醫(yī)生更精確地進(jìn)行疾病檢測和治療規(guī)劃，從而改善患者的治療效果。

2、現(xiàn)有技術(shù)中，有幾種常用偽影去除方法。第一種是引入基于旋轉(zhuǎn)準(zhǔn)直器的cbct散射校正方法和使用調(diào)制器的散射減少算法，可以減少一些偽影，但增加了硬件成本，而畫質(zhì)卻無法得到明顯提升。第二種是基于深度學(xué)習(xí)的cbct切片數(shù)據(jù)校正方法，通過學(xué)習(xí)cbct與ct之間的非線性映射，將cbct圖像的亨氏單位(hu)轉(zhuǎn)換為ct圖像的hu值，從而提升cbct圖像質(zhì)量。但不同廠家的成像協(xié)議不同，針對(duì)一種協(xié)議的切片方法無法保證多種協(xié)議的兼容性。第三種是使用蒙特卡洛計(jì)算方法，通過模擬光子傳輸來估計(jì)散射和吸收效應(yīng)，以去除偽影。但基于蒙特卡洛的方法耗時(shí)較長，不太適合臨床應(yīng)用。

3、公開于該背景技術(shù)部分的信息僅僅旨在增加對(duì)本發(fā)明的總體背景的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域一般技術(shù)人員所公知的現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、為克服現(xiàn)有技術(shù)所存在的缺陷，現(xiàn)提供一種基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法，以解決現(xiàn)有的cbct偽影去除方法存在在圖像域上處理導(dǎo)致訓(xùn)練模型不能適配不同的設(shè)備協(xié)議的問題。

2、為實(shí)現(xiàn)上述目的，提供一種基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法，包括以下步驟：

3、將病人的cbct圖像與ct圖像進(jìn)行可變形配準(zhǔn)以令所述ct圖像依次映射至所述cbct圖像上并通過前向投影算法計(jì)算獲得cbct和ct圖像對(duì)；

4、構(gòu)建特征連接殘差子網(wǎng)絡(luò)，所述特征連接殘差子網(wǎng)絡(luò)包括首尾相連的八個(gè)殘差密集連接塊和兩個(gè)殘差塊，所述兩個(gè)殘差塊分別連接于所述八個(gè)殘差密集連接塊的首尾兩端，所述殘差塊包括有依次連接的一個(gè)1×1卷積核和兩個(gè)3×3卷積核，首個(gè)殘差密集連接塊的前半部分由一個(gè)1×1卷積核和relu及一個(gè)3×3卷積核和relu并通過與首個(gè)殘差塊中第一個(gè)3×3卷積核的輸出進(jìn)行特征融合以提取輸入數(shù)據(jù)的局部特征，首個(gè)殘差密集連接塊的后半部分由特征融合之后的數(shù)據(jù)經(jīng)過一個(gè)3×3卷積核和relu并通過與首個(gè)殘差塊的輸出進(jìn)行相加處理而構(gòu)成，下一個(gè)殘差密集連接塊的前半部分通過與上一個(gè)殘差密集連接塊的前半部分中經(jīng)過特征融合之后的數(shù)據(jù)進(jìn)行特征融合，所述下一個(gè)殘差密集連接塊的后半部分由特征融合之后的數(shù)據(jù)經(jīng)過一個(gè)3×3卷積核和relu并通過與所述上一個(gè)殘差密集連接塊的輸出進(jìn)行相加處理而構(gòu)成；

5、將多個(gè)特征連接殘差子網(wǎng)絡(luò)以級(jí)聯(lián)結(jié)構(gòu)相互連接構(gòu)成投影域級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)；

6、將所述cbct和ct圖像對(duì)輸入至所述投影域級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)中以獲得校正后的cbct圖像；

7、通過fasternet分別對(duì)所述校正后的cbct圖像及所述cbct和ct圖像對(duì)進(jìn)行快速特征提取以獲得特征集合；

8、以所述cbct圖像作為網(wǎng)絡(luò)輸入，所述ct圖像作為標(biāo)簽，分別計(jì)算網(wǎng)絡(luò)輸入和標(biāo)簽及網(wǎng)絡(luò)生成和標(biāo)簽的cobi?loss和perceptual?loss，并加權(quán)結(jié)合獲得總loss以訓(xùn)練所述投影域級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)；

9、將用于測試的cbct圖像輸入訓(xùn)練好的所述投影域級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)以獲得去除偽影的cbct圖像；

10、通過對(duì)所述去除偽影的cbct圖像進(jìn)行反向投影以獲得去除偽影的cbct重建圖像。

11、進(jìn)一步的，在實(shí)施所述將病人的cbct圖像與ct圖像進(jìn)行可變形配準(zhǔn)以令所述ct圖像依次映射至所述cbct圖像上，以獲得cbct和ct圖像對(duì)的步驟時(shí)，使用slicer軟件中的elastix工具箱對(duì)所述cbct圖像和所述ct圖像進(jìn)行可變形配準(zhǔn)，將所述ct圖像依次映射到所述cbct圖像以獲得所述cbct和ct圖像對(duì)。

12、進(jìn)一步的，在實(shí)施所述將所述cbct和ct圖像對(duì)輸入至所述投影域級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)中以獲得校正后的cbct圖像的步驟之前，使用安裝在matlab上的tigre工具箱中的ax函數(shù)將所述cbct和ct圖像對(duì)正向投影成投影數(shù)據(jù)，再將所述投影數(shù)據(jù)轉(zhuǎn)化為適合于網(wǎng)絡(luò)輸入的raw格式。

13、進(jìn)一步的，所述perceptual?loss的計(jì)算公式為：

14、

15、其中，a為cbct圖像的投影數(shù)據(jù)；

16、b為ct圖像的投影數(shù)據(jù)；

17、fi(a)和fi(b)為fasternet提取的第i層的特征表示；

18、n為特征層數(shù)。

19、進(jìn)一步的，所述cobi?loss的計(jì)算公式為：

20、

21、其中，distanceij為fasternet提取的特征點(diǎn)ai和特征點(diǎn)bj之間距離標(biāo)準(zhǔn)化；

22、(hi,wi)和(hj,wj)表示fasternet提取的特征點(diǎn)ai和特征點(diǎn)bj之間的空間位置距離；

23、n為fasternet提取的特征點(diǎn)集合的個(gè)數(shù)。

24、本發(fā)明的有益效果在于，本發(fā)明的基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法，使用可形變配準(zhǔn)將每組cbct和ct圖像配準(zhǔn)到同一空間坐標(biāo)系；使用前向投影算法對(duì)圖像進(jìn)行處理；將投影圖像輸入到級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)；將得到的網(wǎng)絡(luò)生成投影數(shù)據(jù)和輸入cbct-ct投影數(shù)據(jù)通過fasternet網(wǎng)絡(luò)進(jìn)行快速特征提?。环謩e計(jì)算網(wǎng)絡(luò)生成的特征集合與輸入cbct的特征集合之間的以及網(wǎng)絡(luò)生成的特征集合與輸入ct的特征集合之間的cobiloss和perceptual?loss，通過兩者加權(quán)的到的損失值優(yōu)化網(wǎng)絡(luò)的生成，得到去除偽影的投影數(shù)據(jù)；最終將生成的投影數(shù)據(jù)通過后向投影得到重建圖像。本發(fā)明的基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法提出了在投影域上進(jìn)行模型訓(xùn)練，解決了在圖像域上處理導(dǎo)致訓(xùn)練的模型不能適配不同的設(shè)備協(xié)議的問題。

25、本發(fā)明的基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法引入了級(jí)聯(lián)結(jié)構(gòu)，通過將下采樣和上采樣獲取到不同尺寸大小的圖片，并將多個(gè)獨(dú)立的網(wǎng)絡(luò)結(jié)構(gòu)以特征融合的方式串聯(lián)起來，級(jí)聯(lián)結(jié)構(gòu)網(wǎng)絡(luò)可以逐步提取和精煉輸入數(shù)據(jù)的特征，從而提高整體模型的性能。

26、本發(fā)明的基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法構(gòu)建了級(jí)聯(lián)結(jié)構(gòu)中串聯(lián)的獨(dú)立網(wǎng)絡(luò)：特征連接殘差子網(wǎng)絡(luò)，其中的殘差密集連接塊利用塊與塊之間的連接從原始圖像的每一層提取和傳播特征，通過不斷積累局部特征并將其與網(wǎng)絡(luò)一開始的全局特征堆疊在一起，更有效的獲得整個(gè)圖像的全局密集特征。

27、本發(fā)明的基于級(jí)聯(lián)特征連接殘差網(wǎng)絡(luò)的cbct偽影去除方法基于cobi?loss和perceptual?loss，cobi?loss在改善投影數(shù)據(jù)不對(duì)齊的基礎(chǔ)上用加權(quán)空間意識(shí)來考慮局部上下文相似性，與perceptual?loss的結(jié)合不僅可以改善數(shù)據(jù)不對(duì)齊的問題而且可以約束生成圖像出現(xiàn)偽影。